企業數據要素供給動力因素組態效應研究

摘要：數字經濟背景下，培育數據要素市場并引導企業積極參與數據要素市場化流通勢在必行。基于勢差理論和推拉理論，構建企業數據要素供給動力因素分析框架，采用必要條件分析（NCA）和模糊集定性比較分析（fsQCA）方法對311個數據要素型企業高管樣本進行組態效應分析。結果顯示，內外部動力因素共同驅動企業數據要素供給，凸顯數據勢能和數據勢差等動力因素的重要性；企業數據要素供給意愿是多條件協同作用的結果，單個條件變量不能成為高供給意愿產生的必要條件；高供給意愿產生有5條組態路徑，可歸納為政府支持—市場需求驅動型、內部—外部動力協同驅動型和政府支持—數據勢差驅動型3種動力模式。結論可拓展勢差理論、推拉理論在企業數據要素供給研究中的應用，為提升數據市場供方主體積極性提供啟示。

關鍵詞：數據要素；數據供給；動力因素；數據勢差；推拉理論

中圖分類號：F272.3

文獻標識碼：A

文章編號：1001-7348（2024）22-0089-10

0引言

數字時代，傳統生產要素對經濟拉動的邊際效應減弱。數據要素既能直接參與生產過程以創造需求，也可賦能其它生產要素^[1]，已成為驅動經濟社會發展的新動能^[2]。2020年，中共十九屆四中全會通過的《中共中央關于堅持和完善中國特色社會主義制度、推進國家治理體系和治理能力現代化若干重大問題的決定》提出，“健全勞動、資本、土地、知識、技術、管理、數據等生產要素由市場評價貢獻、按貢獻決定報酬的機制”。隨后，國家相繼出臺多項相關政策，以期激發數據要素潛能，積極推動數據要素市場化。從數據大國邁向數據強國，數據要素市場主體培育是關鍵一環。因此，供給主體參與度較低這一問題亟待解決^[3-4]。2023年8月《企業數據資源相關會計處理暫行規定》出臺，標志著企業數據資產入表事宜正式被提上日程，企業數據作為重要供給來源（鄭丁灝，2023），對促進數據要素充分流通和價值實現發揮積極作用。因此，有必要探討如何激勵企業釋放數據并參與數據要素市場化流通這一問題。

現有相關研究主要從激勵因素和阻礙因素視角考察影響企業數據要素供給的動力因素。在激勵因素方面，政府支持、市場環境、政企關系、資源互補和利益共享等是影響企業數據要素供給的重要動力因素（孫逍等，2024；王張華等，2024）。在阻礙因素方面，感知風險和變革阻力等是影響企業數據要素供給的主要因素（呂小峰等，2023）。但現有文獻尚未構建分析框架對企業數據要素供給動力因素進行系統探討。相較于其它生產要素，數據要素具有諸多新特性，僅從單一維度研究數據要素供給較為局限，無法有效解釋各種動力因素的協同效應。定性比較分析方法關注多因并發的非對稱因果關系^[5]，可以揭示多重動力因素聯合匹配的組態效應，能夠全面解釋不同動力因素組合對企業數據要素供給的作用機理。本文基于勢差理論和推拉理論，采用NCA和fsQCA方法進行組態效應分析，以識別企業數據要素供給動力因素，構建系統性分析框架，旨在提升數據要素市場供給主體的積極性，盤活數據資產并促進數據要素流通，進而為我國強化數據要素供給能力提供理論參考。

1文獻回顧與理論基礎

1.1文獻回顧

1.1.1數據要素

區別于其它傳統生產要素，作為新型生產要素，數據具有外部性^[6]、非均質性、部分排他性^[7]、非消耗性^[8]等特征屬性，是實現經濟發展和價值創造的重要源泉。數據具有正外部性，通過數據利用，企業可進一步實現數據積累，形成正反饋效應，從而提升決策效率（蔡繼明等，2022）。相同數據對不同使用者、不同場景下的價值不同，存在“1+1gt;2”的規模經濟特性。此外，數據要素流通能夠進一步釋放生產要素價值。

基于以往研究成果^[9]，本文從數據和生產要素角度定義數據要素：是指參與社會生產經營活動，并能夠為使用者或所有者帶來經濟效益的、以電子方式記錄的數據資源。目前，數據要素可分為公共數據、企業數據以及個人數據3類。本文主要基于企業數據視角，探討如何激勵企業主體釋放數據參與數據要素市場化流通這一問題。

1.1.2企業數據要素供給

本文企業數據要素供給是指企業將持有的數據要素提供給內部或外部利益相關者的過程。基于數據價值鏈，企業是數據要素市場供給主體中的重要組成部分（周毅，2023）。目前，學者們對企業數據要素供給進行了探索性研究，成果可分為兩大類：第一，企業數據要素供給激勵研究。段巍等（2024）從數據安全視角出發，探究企業數據交易激勵機制；黃卓等（2023）從企業參與數據要素市場行為動力機制出發，運用“感知利益—準備狀態—外部關系”分析框架剖析現階段培育難題的深層次成因。第二，對企業數據要素供給路徑的探討。現有相關研究主要關注數據要素對企業價值創造的驅動作用，結果發現，數據資產共享和流通能夠加快價值創造及增值（盛志云等，2023）。部分研究關注企業數據開放共享的現實需求及發展路徑（李若蘭，2023；孫逍等，2023）；部分研究采用內容分析法、文獻分析法等定性方法對企業數據共享體系進行梳理，探討具體舉措及實踐過程（宋魏巍等，2022；張會平等，2023）。

綜上，現有企業數據要素供給研究尚處于起步階段，缺乏基于實證分析的理論研究，從企業層面探討數據要素供給的研究有限，且鮮有探究企業數據要素供給的動力因素，探討多重動力因素并發對企業數據要素供給意愿作用機理的研究更為匱乏。因此，有必要基于數據要素特性識別企業數據要素供給動力因素，進一步探討多重動力因素并發對企業數據要素供給意愿的作用機理。

1.2理論基礎

1.2.1勢差理論

數據要素不均衡分布可能導致不同主體根據自身持有的數據資源存量獲得不同勢能^[4]，由此形成數據勢差，而數據勢差使數據轉移和流通成為必然（陳偉等，2013）。根據能量守恒定律，數據勢能可轉化為其它形式的能量，這種能量就是數據價值。當數據存量達到閾值時，具有較高的數據勢能，基于對經濟利益的追求，企業可以通過市場機制向外供給數據。由于數據要素具有非消耗性，企業數據存量并不會減少，但會不斷耗散數據能量，即發揮數據價值。

本文采用勢差理論分析企業數據要素供給動力因素，探討作為數據供給方的企業與其他參與主體間的數據勢能，以及與外界其他主體之間的數據勢差。

1.2.2推拉理論

19世紀80年代，英國經濟學家和社會學家Ravenstein提出“人口遷移規律”—“遷移法則”。在此基礎上，Lee（1966）提出了較為系統的推拉理論。推拉理論可用于分析某現象背后的行為或決策驅動因素，是借助“推力”“拉力”和“阻力”解釋其變化過程的動態分析框架。作為新的發展業態和模式，數據要素市場流通是市場化配置的前提，意味著數據主體實現邊界跨越，其中存在“推力”“拉力”和“阻力”。該理論可以解釋企業內外部因素如何相互作用，以及如何推動或阻礙企業數據要素供給等問題。因此，本文將推拉理論引入動力因素分析過程，在此基礎上構建企業數據要素供給動力因素分析框架，為實現數據要素優質供給提供參考。

2企業數據要素供給動力因素分析框架

基于勢差理論和推拉理論，本文構建企業數據要素供給動力因素分析框架，如圖1所示。企業數據要素供給動力因素可分為內部動力和外部動力兩類。其中，內部動力是指存在于企業內部，促使其參與數據要素供給的內驅力；外部動力是指存在于企業外部，能夠對其參與數據要素供給發揮推動或阻礙作用的因素，具有喚起、激發企業主體內部動力的功能。只有內外動力協同作用才能為企業數據供給提供動力（丁堃，2000）。

2.1內部動力因素

2.1.1原動力

大數據時代，企業所持有的數據存量較大，具有較高的數據勢能，成為重要數據供給方^[10]。高數據勢能和低數據勢能是相對的，結合本文，數據勢能是指企業在某個業務項目或領域具備的數據存量和積累程度。企業通過生產、匯集、加工和流通等活動不斷積累數據資源，從而具備較高的數據勢能。根據耗散結構理論，當企業持有的數據資源達到一定閾值時，能夠通過與外界能量和物質交換產生熵的流動，從而形成新的有序結構（王展昭等，2021）。可見，企業能夠積極利用數據資源實現數據要素價值化，并將其轉化為實際收益。因此，數據勢能可成為原動力，促使企業參與數據要素供給。

2.1.2引導力

數據要素化正經歷從“業務數據化”的數據內循環到“數據業務化”的數據外循環轉變。信息時代，企業將重點放在業務過程數據化方面，以此實現降本增效^[11]。大數據時代，企業逐漸認識到數據要素本身的價值，開始關注數據外循環。作為追求經濟利益最大化的營利性組織，企業將所持有的數據資源轉化為數據產品或服務，通過參與數據要素流通和交易實現數據價值變現，最終將其轉化為自身經濟利潤（馬費成等，2023）。經濟利益是促使企業參與數據要素供給的引導力，參與數據要素供給是企業順應時代發展趨勢，重塑運作方式與商業模式的必經之路。

2.2外部動力因素

2.2.1推力

政府不僅可以通過監管措施規范市場運行，而且能夠制定激勵政策或規則^[12]，以此為數據要素市場培育提供方向指引、政策供給、要素調配，成為推動企業進入數據要素市場并參與供給活動的重要力量。在地方層面，各地方政府已出臺相關條例和激勵政策，以推動數據要素供給能力提升（劉吉超，2021）。

在數據要素產業生態中，數據資源不均衡分布會導致各參與主體數據勢能差異，形成各主體間數據勢差（呂鵬等，2022）。企業數據勢能越高，向外供給數據的可能性越大，越可能成為數據供給方；數據勢能較低的主體受需求引導，獲取數據的可能性越大，越可能成為數據需求方，這是促使數據要素流通的根本原因（陳偉等，2013）。

2.2.2拉力

市場需求既是數據要素流通活動的起點，也是數據要素供給的外部拉動力量（高富平等，2022）。隨著新一代信息技術（如大數據技術）不斷涌現，各組織對數據要素的需求水平不斷提升（王澤宇等，2023）。根據國家工信安全中心測算，“十四五”期間，我國數據要素市場規模將突破1 749億元，進入高速發展階段。結合數據要素特征，作為數據供給方的企業在數據要素流通過程中不會減損其持有的數據價值，反而可能將數據要素潛在價值轉化為經濟利潤，成為新的業務增長點。因此，數據要素流通不僅能夠滿足市場需求，而且可以為企業帶來商機和盈利。從本質上看，市場需求是企業追求經濟利益最大化目標的主要外部拉力。在數據要素市場中，只有存在數據需求且能夠獲得經濟利益時，企業才會參與數據要素供給。

2.2.3阻力

企業數據要素供給阻力主要包括能力約束和風險約束。一方面，能力約束是指企業主體梳理所持有的數據資源，并將其轉化為數據產品或服務的能力有限，因而限制數據要素供給（王澤宇等，2023）。另一方面，在進入數據要素市場時，企業會受到門檻限制，這也是能力約束的表現。總之，能力約束不僅涉及企業內部，而且涉及外部市場對企業的限制。

風險約束來源于外部環境的不確定性。數據要素具有部分排他性，在數據要素市場中存在數據權屬爭議問題（劉濤雄等，2023）。這意味著一旦企業將數據要素投放到市場中，就會面臨數據要素流通范圍及使用途徑難以控制的風險^[13]。上述情況下，企業風險增大，同時企業參與數據要素供給的積極性受到抑制^[14]。

能力約束和風險約束會增加企業數據要素供給成本。因此，在數據供給成本遠高于收益的情景下，企業不傾向于數據供給 ^[15]。由于能力約束，部分中小企業缺乏數據要素供給能力（熊巧琴等，2021），而部分持有大量數據的企業出于對風險的考量，傾向于采取數據自留行為，不愿意參與數據要素供給活動^[16]。鑒于能力約束和風險約束對企業數據要素供給的影響，本文將阻力作為外部動力因素，進一步探討企業數據要素供給的復雜性。

3基于NCA與fsQCA的組態效應分析

3.1研究方法與模型

本文采用NCA和fsQCA方法探究企業數據要素供給動力因素組態效應，主要原因如下：第一，企業數據要素供給是多種因素組合協同的復雜問題，各動力因素在企業數據要素供給過程中并不能獨立發揮作用。fsQCA方法能夠厘清企業數據要素供給的關鍵動力因素組合。第二，本文將NCA方法作為fsQCA方法的補充，確定必要條件及該條件在何種程度上是必要條件（杜運周等，2020）。

綜上，企業數據要素供給是一個有機復雜系統，各內外動力因素協同作用。本文選取7個內外動力因素作為條件變量，以供給意愿作為結果變量，采用NCA和fsQCA方法探究上述動力因素組合模式對企業數據要素供給意愿的影響機制，具體影響機制模型如圖2所示。

3.2數據收集與變量測量

3.2.1數據收集

本文以數據要素型企業為研究對象，通過發放問卷獲取樣本數據。數據要素型企業是直接參與數據資源要素化的企業^[4]，本文中，是指自身持有大量數據且能夠將數據提供給第三方數據服務商的企業，如金融、互聯網、交通運輸、醫藥健康、能源行業、工業制造和通信運營7大數據密集型行業企業。上述企業作為數據要素市場的供給側，適合本文研究情境。本文主要以數據要素型企業中的高管為調研對象，2023年8～9月通過多種途徑發放問卷358份，剔除不符合標準或存在嚴重數據缺失的問卷后，最終得到311份有效問卷，樣本企業基本情況如表1所示。

3.2.2變量測量

為確保條件變量和結果變量測量結果的有效性與可靠性，本文測量量表均為以往研究的成熟量表，并基于專家意見和預調研結果進行相應調整。采用Likert 7級量表（1～7表示“非常不同意”到“非常同意”）對正式問卷題項進行測量，測量題項和來源如表2所示。

3.2.3信效度檢驗

本文借助SPSS25和AMOS 25進行信效度分析，結果如表3和表4所示。表3顯示，各變量的Cronbach's α和CR值均在0.7以上，具備較高信度。表4顯示，各變量的AVE值均大于0.5，具有較高收斂效度，且每個變量的AVE平方根均大于該變量與其它變量間的皮爾森相關性系數，表明變量間區分效度較高。此外，本文采用Harman單因子檢驗法驗證是否存在共同方法偏差問題。結果表明，最大因子解釋的方差為32.796%，小于40%的閾值^[19]。因此，本文不存在顯著共同方法偏差問題。

3.3數據校準

在處理數據時需要對數據進行反向處理，以得到能力約束的測量結果。fsQCA的隸屬值范圍為0～1，因而需要對7級李克特量表測量的樣本數據進行校準，取值介于0～1之間。參考已有研究成果^[20]，本文采用各變量題項均值作為其初始數值，根據標準95%（完全隸屬）、50%（交叉點）和5%（完全不隸屬）對變量進行校準，得到各變量模糊隸屬度分數，并將校準后等于0.50的數據修正為0.501以防止后續產生組態歸屬問題。校準錨點如表5所示。

3.4必要性分析

3.4.1NCA必要條件分析

NCA方法可以識別單一條件是否為構成組態的必要條件，并進一步分析其效應量^[21]。本文使用R語言中的“NCA”包進行必要條件分析，并采用上限回歸（Ceiling Regression， CR）和上限包絡（Ceiling Envelopment， CE）兩種估計方法。根據效應量（d）大于或等于0.1的判別標準，采用蒙特卡洛仿真置換檢驗方法驗證顯著性^[22]，NCA結果見表6。本文采用李克特7級量表數據，因此主要參考CR的結果，并將CE作為參照（杜運周等，2020）。

研究結果表明，在企業數據要素供給動力因素中，數據勢能、經濟利益、政府支持、數據勢差、能力約束和風險約束的必要性效應均不顯著（Pgt;0.05），上述條件變量均不能單獨構成供給意愿產生的必要條件。在CR方法下，市場需求的必要性效應顯著，但效應量較小（dlt;0.1），也不能構成供給意愿產生的必要條件。

本文進一步采用CR方法進行瓶頸水平分析。由表7可知，達到60%的供給意愿水平，需要0.5%水平的數據勢能，0.3%水平的能力約束，而其它5個條件變量不存在瓶頸水平。

3.4.2QCA必要性檢驗結果

本文進一步采用fsQCA方法檢驗單一條件變量的必要性，結果如表8所示。是否為必要條件取決于條件變量對結果的一致性評估，若一致性水平高于0.9，則認為該條件變量為結果的必要條件（杜運周等，2017）。由表8可知，單個條件變量必要性的一致性水平均低于0.9，因而不存在引致高供給意愿的必要條件。上述結果與NCA結果一致。

3.5條件組態分析

本文采用fsQCA3.0軟件進行分析，識別促使高供給意愿產生的條件組態。為滿足保留總樣本數75%的要求，本文將案例頻數閾值設置為3，將一致性閾值設置為0.8，將PRI一致性設置為0.85（張明等，2019）。參考以往研究成果（張明等，2019），匯報中間解，輔以簡約解，將同時出現在中間解和簡約解的條件作為核心條件，將僅出現在中間解的條件作為輔助條件（杜運周等，2017）。組態結果呈現方式遵循現有文獻標準^[23]，結果如表9所示。

通過組態分析發現，促使高供給意愿產生的路徑有5種，總體一致性為0.970，具有較高解釋力度，總體覆蓋率為0.638，能夠解釋大部分案例。其中，組態H₁a、H₁b和H₁c具有相同的核心條件，即政府支持和市場需求均存在，風險約束缺席，但輔助條件存在差異。具體來說，組態H₁a中，數據勢能存在和經濟利益存在作為輔助條件，數據勢差和能力約束為無關緊要的條件。組態H₁b中，數據勢能存在、數據勢差缺席和能力約束缺席作為輔助條件，經濟利益為無關緊要的條件。組態H₁c中，經濟利益存在、數據勢差存在和能力約束存在作為輔助條件，數據勢能為無關緊要的條件。此外，組態H2中，數據勢能、經濟利益、政府支持、數據勢差以及市場需求為核心條件，能力約束和風險約束為無關緊要的條件。組態H3中，政府支持存在、數據勢差存在和能力約束缺席作為核心條件，經濟利益存在、市場需求存在和風險約束存在作為輔助條件，數據勢能為無關緊要的條件。通過橫向對比發現，政府支持和市場需求存在于所有組態路徑中。組態H2特別強調內部動力（數據勢能、經濟利益）作為核心條件與外部動力（政府支持、數據勢差和市場需求）的協同作用。

參考Fiss^[23]的研究成果，具有相同核心條件的組態可合并為二階等價組態。因此，本文將H₁a、H₁b和H₁c合并作為二階等價組態。基于5種路徑的核心條件及其背后邏輯，本文得出3種促使企業數據要素供給意愿產生的動力模式，即“政府支持—市場需求驅動型”“內部—外部動力協同驅動型”和“政府支持—數據勢差驅動型”。

3.5.1政府支持—市場需求驅動型

組態H₁a、H₁b和H₁c構成“政府支持—市場需求驅動型”的動力模式。該模式表明，企業高供給意愿主要受高政府支持、高市場需求和非高風險約束驅動。在推動企業參與數據要素供給活動方面，政府可以提供積極支持，包括政策支持、法規優惠、合規保障等，從而為企業營造良好的參與環境。此外，由于數據驅動的商業模式興起，市場對數據要素的需求較大，高市場需求能夠為企業數據要素供給提供較強的商業動機。上述模式下，政府發揮支持和監管作用，市場發揮推動和引領作用。然而，即使在政府支持和高市場需求情景下，作為阻力的風險約束仍可能削弱企業數據要素供給意愿。如果企業擔心數據供給可能帶來的風險，那么其會謹慎參與數據要素供給，甚至出現“數據自留”或“數據自用”的情況。因此，非高風險約束表明企業數據要素供給動力來源于缺少對潛在風險的擔憂，解決企業所面臨的風險約束能夠強化其數據供給意愿，實現數據利用。

3個子模式組態中，H₁a表明，無論數據勢差和能力約束存在與否，高數據勢能企業往往掌握著豐富且有價值的數據要素，在政府支持和市場需求雙重加持下，具備經濟利益獲取條件，因而會表現出高供給意愿。H₁b表明，無論經濟利益存在與否，當企業具有較高數據勢能時，若能將其轉化為有價值的數據產品或服務，即便缺乏數據勢差，也可提升自身在市場中的競爭優勢，因而會表現出高供給意愿。H₁c表明，無論數據勢能存在與否，企業都能夠基于數據勢差并利用數據資源獲得數據位勢，通過滿足市場需求獲取經濟利益。盡管存在能力約束，但政府支持和市場需求能夠強化企業供給意愿。

3.5.2內部—外部動力協同驅動型

組態H2屬于“內部—外部動力協同驅動型”。該模式表明，無論能力約束和風險約束存在與否，當企業擁有高數據勢能和高經濟利益，并處于高政府支持、高數據勢差和高市場需求環境時，更易表現出高供給意愿。與組態H₁a、H₁b、H₁c相比，組態H2中企業需要具備高水平政府支持、市場需求和數據勢差，以及較高的數據勢能和經濟利益，借助內外部動力協同驅動企業高供給意愿產生。高數據勢能意味著企業持有豐富的數據資源，能夠將其轉化為數據要素產品或服務，從而獲取經濟利益。企業意識到數據資源的重要性，通過加大對數據要素供給的投入滿足市場需求，促進外部動力形成和強化。同時，外部動力發揮重要作用，政府支持能夠發揮保障和引導作用，市場需求表明對數據產品或服務的需求高漲。根據勢差理論，不同數據勢能主體進行數據要素流通，高數據勢能企業通過供給數據要素獲取經濟利益，從而進一步激發其內部動力。

當數據勢能、經濟利益、政府支持、市場需求和數據勢差等核心條件同時存在，內部動力和外部動力相互作用，共同促使高供給意愿產生。企業數據勢能和經濟利益激發外部動力，而政府支持、市場需求和數據勢差進一步強化內部動力。上述協同作用下，企業更加愿意參與數據要素供給，提高數據要素供給水平，從而推動數據經濟發展。

3.5.3政府支持—數據勢差驅動型

組態H3屬于“政府支持—數據勢差驅動型”。該模式表明，無論數據勢能存在與否，企業高供給意愿主要受高政府支持、高數據勢差和非高能力約束驅動。高政府支持意味著政府通過資金支持、技術支持、市場準入政策等方式為企業提供必要條件和環境，鼓勵企業供給數據要素，實現數據資源積累與利用，從而促使數據勢差形成。高數據勢差代表企業數據要素供給動力來源于其在數據要素市場中的數據位勢，數據勢差越大，數據要素供給推力越強，這是企業參與數據供給的核心條件。能力約束缺席意味著企業在匯聚、處理和加工數據資源方面不存在明顯限制，即具備充足的技術、資源和人才，能夠最大限度地發揮數據勢差優勢。此外，經濟利益、市場需求和風險約束等輔助因素可能會強化上述核心條件的影響，進一步增強企業數據要素供給意愿。當存在經濟利益時，企業更有動力積極參與數據要素供給，并借助政府支持和數據勢差獲取競爭優勢。當存在市場需求時，企業更加重視數據資源價值，并將其作為參與數字經濟的重要資產。因此，市場需求可強化政府支持和數據勢差這兩個核心條件的影響。當存在風險約束時，企業需要關注風險管理并采取相應措施降低風險。政府支持和數據勢差可為企業提供相應支持，減輕風險約束，從而增強其數據要素供給參與意愿。

3.6穩健性檢驗

參考以往研究成果^[24]，本文通過調整原始一致性閾值、案例頻數閾值和PRI一致性閾值等3種方法進行穩健性檢驗。

（1）將原始一致性閾值由0.8提高到0.85，由此產生的組態與原組態一致。

（2）將案例頻數從3提升至4，由此產生的組態為原組態子集，部分條件有所調整（核心/輔助），但不影響整體結論（任相偉等，2024）。

（3）將PRI一致性閾值由0.85提高到0.87，由此產生的組態為原組態子集（張明等，2020） ，如表10所示。

綜上所述，本文研究結果較為穩健。

4結語

4.1研究結論

本文基于勢差理論和推拉理論，采用NCA與fsQCA方法從內部動力和外部動力出發，探討導致企業數據要素供給意愿差異的多重并發作用機制，得出以下主要研究結論：

（1）識別影響企業數據要素供給的內部動力因素（數據勢能、經濟利益）和外部動力因素（政府支持、數據勢差、市場需求、能力約束和風險約束等）。其中，數據勢能和數據勢差等動力因素對企業數據要素供給發揮關鍵作用。在數據勢差、政府支持和市場需求相結合的情景下，企業參與數據要素供給的積極性顯著提升。

（2）由必要條件檢驗結果可知，單一動力因素均不是引致企業高供給意愿的必要條件。數據勢能、經濟利益、政府支持、數據勢差、市場需求、能力約束和風險約束只有發揮協同作用才能影響企業數據要素供給。由此表明，促使企業數據要素供給意愿產生是多條件協同作用的復雜過程。

（3）引致企業高供給意愿的組態路徑有5種，這5種組態路徑能夠體現不同企業結合實際情況，通過內外部動力因素組合產生高供給意愿。換言之，企業高供給意愿產生的組態路徑存在多重并發性且組態間具有等效性。

（4）本文歸納出“政府支持—市場需求驅動型”“內部—外部動力協同驅動型”和“政府支持—數據勢差驅動型”3種動力模式。對比3種動力模式可知，政府支持和市場需求對高供給意愿發揮普適作用。由此表明，數據資源化利用正經歷由政府推動向政府與市場雙輪驅動的根本性變革。

4.2理論價值

（1）本文基于組態視角，結合數據要素特征，構建系統性分析框架，以數據勢能和數據勢差作為關鍵動力條件，旨在探究企業數據要素供給內外部動力因素的組態效應，為解答數據要素供給問題提供了新視角，彌補了以往研究的不足，豐富了數據要素供給相關研究。

（2）本文拓展了勢差理論和推拉理論研究范疇，是對現有相關研究的有益補充。將數據勢能和數據勢差作為關鍵條件，拓寬了勢差理論研究邊界，為數據資源化利用研究提供了新視角。同時，本文基于推拉理論分析內外部動力因素的協同聯動效應，為探討企業數據要素供給的復雜決策過程提供理論洞察。

（3）本文采用NCA和fsQCA兩種方法探討企業數據要素供給問題，豐富了該領域研究方法。現有企業數據要素供給研究處于理論探索階段，多數以定性分析為主，實證研究較少^[25]。本文利用NCA和fsQCA方法探討企業數據要素供給的內外部動力因素組態效應，為進一步揭示企業數據要素供給的復雜動力因素提供了依據。

4.3實踐啟示

（1）數字經濟背景下，數據成為關鍵生產要素。本文發現，政府支持與市場需求是推動企業參與數據要素供給的關鍵動力因素。為了激發企業高供給意愿，政府部門應采取靈活的策略，出臺相關激勵及扶持政策，制定完善的市場基礎制度。具體而言，政策制定者可以通過提供財政補貼、稅收優惠、設立數據中心等方式培育數據要素供給主體。同時，相關部門可以通過統一監管和標準化管理應對市場變化，從而促進數據要素市場需求增長。此外，可以探索多元化數據要素收益分配模式，提高企業參與數據要素供給的積極性。總之，需要結合地方需求實際，拓展數據產品及服務應用場景，挖掘潛在市場需求，從而加快數據要素市場化配置。

（2）企業數據要素供給意愿受多種動力因素的協同影響。因此，企業應考慮具體情境，因地制宜、合理參與數據要素供給。“政府支持—市場需求驅動型”模式下，企業應積極響應政策，確保自身具備合規性資質，靈活適應市場需求變化。“內部—外部動力協同驅動型”模式下，企業需要提升內部員工的數據意識，同時合理利用外部資源，借助內外動力協同增效。“政府支持—數據勢差驅動型”模式下，企業應主動參與政府支持的數據項目，借助政府資源和平臺，利用數據勢差實現數據要素有效供給。上述3種動力模式并非孤立存在，而是相互影響。因此，企業需要結合自身優勢和外部條件，對上述動力模式進行靈活選擇，實現數據要素最優供給。

4.4不足與展望

本研究存在以下不足：一方面，本文從內外兩方面探討企業數據要素供給動力因素，但仍可能遺漏其它因素，未來可進一步豐富動力因素，并將其納入新的分析框架，全面解釋企業數據要素供給現象。另一方面，本文僅基于靜態數據進行分析，未來可基于時間序列數據對企業數據要素供給意愿進行探索，進一步反映新興業態變化的影響。

參考文獻：

[1]謝康， 夏正豪， 肖靜華. 大數據成為現實生產要素的企業實現機制：產品創新視角[J].中國工業經濟， 2020，37（5）： 42-60.

[2]范德成， 肖文雪. 數據要素配置與區域創新：賦能效果及作用路徑[J].科技進步與對策， 2023， 40（20）： 30-41.

[3]李春發， 姜輝輝， 李冬冬. 數據共享、公平關切與零供合作演化博弈[J].軟科學， 2021， 35（10）： 130-137.

[4]李金璞， 湯珂. 論數據要素市場參與者的培育[J].西安交通大學學報（社會科學版）， 2023， 43（4）： 78-89.

[5]杜運周， 李佳馨， 劉秋辰， 等. 復雜動態視角下的組態理論與QCA方法：研究進展與未來方向[J].管理世界， 2021， 37（3）： 180-197.

[6]JONES C I， TONETTI C. Nonrivalry and the economics of data[J].American Economic Review， 2020， 110（9）： 2819-2858.

[7]GAESSLER F， WAGNER S. Patents， data exclusiv_ity， and the development of new drugs[J].The Review of Economics and Statistics， 2022， 104（3）： 571-586.

[8]張斌， 馬海群， 商容軒. 跨境數據流通特征對政府內外數據互聯互通的啟示[J].現代情報， 2022， 42（10）： 99-109.

[9]馬費成， 吳逸姝， 盧慧質. 數據要素價值實現路徑研究[J].信息資源管理學報， 2023， 13（2）： 4-11.

[10]趙需要， 郭義釗， 姬祥飛， 等. 政府開放數據生態鏈上數據要素價值分析及評估模型構建——基于“數據勢能”的方法[J].情報理論與實踐， 2022， 45（12）： 50-59.

[11]王永貴， 汪淋淋. 傳統企業數字化轉型戰略的類型識別與轉型模式選擇研究[J].管理評論， 2021， 33（11）： 84-93.

[12]孫國強， 謝雨菲. 區塊鏈技術、供應鏈網絡與數據共享：基于演化博弈視角[J].中國管理科學， 2023， 31（12）： 149-162.

[13]蔡躍洲， 馬文君. 數據要素對高質量發展影響與數據流動制約[J].數量經濟技術經濟研究， 2021， 38（3）： 64-83.

[14]龔強， 班銘媛， 劉沖. 數據交易之悖論與突破：不完全契約視角[J].經濟研究， 2022， 57（7）： 172-188.

[15]姜宇. 數據要素市場化的一種方案：基于數據信托的數據交易所機制重構[J].電子政務， 2023， 20（7）： 12-26.

[16]吳雙， 王勇. 數據生產要素的基礎理論構建：新結構經濟學視角[J].北京交通大學學報（社會科學版）， 2024， 23（2）： 59-68.

[17]王斌， 郭清琳. 焦點企業知識存量對聯盟組合分裂斷層的影響：知識轉移效率的中介作用[J].科技進步與對策， 2020， 37（5）： 151-160.

[18]LI H， ATUAHENE-GIMA K. Product innovation strategy and the performance of new technology ventures in China[J].Academy of Management Journal， 2001， 44（6）： 1123-1134.

[19]PODSAKOFF P M， MACKENZIE S B， LEE J Y， et al. Common method biases in behavioral research： a cr_itical review of the l_iterature and recommended remedies[J].J Appl Psychol， 2003，88（5）： 879-903.

[20]PAPPAS I O， WOODSIDE A G. Fuzzy-set qual_itative comparative analysis （fsQCA）： guidelines for research practice in information systems and marketing[J].International Journal of Information Management， 2021， 58（3）： 102310.

[21]DUL J. Necessary cond_ition analysis （NCA）： logic and methodology of \"necessary but not sufficient\" causal_ity[J].Organizational Research Methods， 2016， 19（1）： 10-52.

[22]DUL J， VAN DER LAAN E， KUIK R. A statistical significance test for necessary cond_ition analysis[J].Organizational Research Methods， 2020， 23（2）： 385-395.

[23]FISS P C. Building better causal theories： a fuzzy set approach to typologies in organization research[J].Academy of Management Journal， 2011， 54（2）： 393-420.

[24]張明， 杜運周. 組織與管理研究中QCA方法的應用：定位、策略和方向[J].管理學報， 2019， 16（9）： 1312-1323.

[25]喬晗， 李卓倫， 黃朝椿. 數據要素市場化建設的影響因素與提升路徑——基于復雜經濟系統管理視角的組態效應分析[J].外國經濟與管理， 2023， 45（1）： 38-54.

（責任編輯：張悅）

英文標題The Configuration Effects of the Dynamic Factors of Enterprise Data Element Supply

英文作者Su Wan， Yu Sen， Ge Jing

英文作者單位（School of Business and Management， Jilin Univers_ity， Changchun 130022， China）

英文摘要Abstract：In the dig_ital economy， _it is crucial to cultivate a data element market and encourage enterprise participation in the market-oriented circulation of data elements. However， existing theories have not developed an effective analytical framework for understanding the dynamic factors of enterprise data element supply. Due to the unique characteristics of data elements compared to other production elements， current research primarily consists of theoretical studies and lacks empirical analysis， which hampers the abil_ity to effectively explain the complex synergistic mechanisms of dynamic factors. Therefore， how to realize the effective incentivization of data release and participation in market-oriented circulation becomes a cr_itical issue.

To address this important question， this study follows the theories of potential difference and push-pull and aims to construct an analytical framework for the dynamic factors of enterprise data element supply from the perspectives of internal and external forces. Specifically， internal forces include data potential and economic benef_its， while external forces encompass government support， data differentials， demand differentials， capabil_ity constraints， and risk constraints. Examining these forces is crucial for understanding the motivations and barriers that influence enterprise participation in data element supply activ_ities. The study employs the NCA and fsQCA methods to analyze the configuration effects among a sample of 311 senior executives from data-driven enterprises. These methods enable a nuanced examination of the synergistic effects of various dynamic factors and provide a comprehensive understanding of the cond_itions that generate a high willingness to supply data elements.

The study yields several significant conclusions. Firstly， the key internal （data potential and economic benef_its） and external （government support， data differentials， market demand， capac_ity constraints， and risk constraints， etc.） dynamic factors affecting the supply of data elements to enterprises are identified and the importance of dynamic factors such as data potential and data differentials is emphasized. Secondly， the formation of willingness to supply data factors is the result of multi-cond_ition synergistic effects， w_ithout the presence of necessary cond_itions for the generation of high willingness. Thirdly， the study identifies five pathways that lead to high willingness to supply， and these five pathways are able to reflect the fact that different enterprises， in the light of their own actual s_ituation， can achieve a high level of willingness to supply through a combination of internal and external dynamic factors. Fourthly， the study summarizes three dynamic models： \"government support-market demand driven\"， \"internal-external driving force synergistic driven\" and \"government support-data potential driven\". A cross-sectional comparison of the three dynamic models shows that stronger government support and market demand play a universal role in high willingness to supply. Thus， to promote the generation of high willingness among enterprises， the two-wheel drive combining government support and market demand becomes the key. The government should actively explore the implementation of relevant incentives and support policies according to their characteristics， support the main body of enterprises' supplying data elements， and stimulate the entry of more market demand for data elements to create a stable policy environment and a good market order. Meanwhile， when selecting the appropriate dynamic model， enterprises need to consider the context and specific circumstances， tailoring their approach to participate in data element supply more effectively.

This paper contributes significantly in three aspects. Firstly， this paper enriches the relevant research from a configurational perspective. Taking into account the characteristics of data elements that distinguish them from other production elements， a systematic analytical framework is proposed， which remedies the inadequacy of previous results that have mostly studied single-dimensional cond_itions of incentives or disincentives. Secondly，_it extends the research scope of potential difference theory and push-pull theory and extends their application to data elements supply research， which is a useful supplement to the existing research based on potential difference theory and push-pull theory. Finally， the current research on data element supply is still at the stage of theoretical exploration， w_ith a predominance of qual_itative analysis in the l_iterature and relatively few empirical studies. This paper pioneers the integration of NCA and fsQCA methods into the research on data element supply， enriching the methodological approaches in this field.

英文關鍵詞Key Words：Data Elements; Data Supply; Dynamic Factors; Data Differentials; Push-pull Theory

基金項目：國家社會科學基金項目（23BTQ078）

作者簡介：蘇婉（1983—）， 女， 黑龍江哈爾濱人， 博士， 吉林大學商學與管理學院副教授、博士生導師， 研究方向為數據要素、商業模式；于森（2000—）， 女， 黑龍江哈爾濱人， 吉林大學商學與管理學院博士研究生， 研究方向為數據要素；葛晶（1987—）， 女， 吉林長春人， 博士， 吉林大學商學與管理學院博士后， 研究方向為宏觀經濟學、創新與創業管理。本文通訊作者：葛晶。